异常交易检测方法以及相关设备与流程

本技术涉及计算机，具体涉及一种异常交易检测方法以及相关设备。

背景技术：

1、为了避免用户在使用线上交易系统进行支付交易时，资产、信息被骗取，目前的很多线上交易系统实施了异常交易检测方案。

2、现有的异常交易检测方案主要包括基于规则的方案和基于机器学习的方案。用户发起交易请求后，交易系统会应用预定义的规则进行规则基础的检测，识别出可疑的交易作为潜在的异常交易行为。同时，交易系统也会将数据输入到机器学习模型中，模型通过学习正常的交易行为模式进行模式识别，识别出与这些模式显著不同的交易，这些交易也可能是异常交易行为。

3、基于规则的方案主要是根据一些预定义的规则来识别异常交易行为，例如，如果一个用户在短时间内进行了大量的交易，或者一个用户的交易金额远超过其平均交易金额，那么这些交易可能被认为是异常交易行为。但是这些预定义的规则需要人工设定的调整，可能无法覆盖所有的异常交易行为模式，此外，异常交易行为的模式可能会随着时间的推移而变化，预定义的规则无法适应这些变化。

4、基于机器学习的方法主要是使用一些机器学习模型，如决策树、随机森林或神经网络，来学习正常的交易行为模式，然后识别出与这些模式显著不同的交易行为，这些不同的交易行为可能是异常交易行为。虽然机器学习模型可以学习正常的交易行为模式，但是如果模型的结构和参数不合适，或者训练数据不足或者不准确，那么模型的性能可能会受到影响。此外，一些机器学习模型可能需要大量的计算资源和时间来训练和预测，这可能影响到系统的实时性。在线上交易系统中，支付的实时性非常重要，如果系统不能及时地识别和防止异常交易行为，那么用户的资金和信息就会受到损失，然而目前的异常交易检测方案无法满足实时性的要求，尤其是当交易数据量很大时。

5、综上所述，目前的异常交易检测方案无法适应异常交易行为模式的变化、无法有效识别所有的异常交易行为，实时性差、无法及时地识别和防止异常交易行为，因此，无法有效地保护用户的资产和信息。

6、申请内容

7、本技术实施例提供一种异常交易检测方法以及相关设备，相关设备可以包括异常交易检测装置、电子设备、计算机可读存储介质和计算机程序产品，可以有效的保护用户的资产和信息。

8、本技术实施例提供一种异常交易检测方法，包括：

9、获取实时交易数据，并提取所述实时交易数据的交易特征信息；

10、将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

11、将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

12、根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

13、根据所述融合概率，确定交易行为的实时交易状态。

14、相应的，本技术实施例提供一种异常交易检测装置，包括：

15、获取单元，用于获取实时交易数据，并提取所述实时交易数据的交易特征信息；

16、第一检测单元，用于将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；

17、第二检测单元，用于将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；

18、融合单元，用于根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；

19、确定单元，用于根据所述融合概率，确定交易行为的实时交易状态。

20、可选的，在本技术的一些实施例中，在所述融合单元之前，还可以包括置信度确定单元，如下：

21、样本获取子单元，用于获取历史交易数据进行组合，得到样本交易数据集；

22、样本划分子单元，用于从所述样本交易数据集中选取样本交易数据作为验证样本数据，将所述样本交易数据集中的其余样本交易数据作为训练样本数据；

23、第一训练子单元，用于采用训练样本数据对初始深度神经网络模型进行训练，得到训练后的深度神经网络模型；

24、第二训练子单元，用于采用训练样本数据对初始支持向量机模型进行训练，得到训练后的支持向量机模型；

25、第一置信度确定子单元，用于基于所述验证样本数据计算训练后的所述深度神经网络模型的检测准确率，作为所述深度神经网络模型的置信度；

26、第二置信度确定子单元，用于基于所述验证样本数据计算训练后的所述支持向量机模型的检测准确率，作为所述支持向量机模型的置信度。

27、可选的，在本技术的一些实施例中，在所述融合单元还可以包括第一权重确定子单元和第一融合子单元，如下：

28、第一权重确定子单元，用于根据所述深度神经网络模型的置信度确定第一权重，根据所述支持向量机模型的置信度确定第二权重；

29、第一融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

30、可选的，在本技术的一些实施例中，在所述融合单元还可以包括统计子单元、第二权重确定子单元和第二融合子单元，如下：

31、统计子单元，用于统计所述深度神经网络模型在预设时间周期内的检测准确率，统计所述支持向量机模型在预设时间周期内的检测准确率；

32、第二权重确定子单元，用于根据所述深度神经网络模型在预设时间周期内的检测准确率确定第一权重，根据所述支持向量机模型在预设时间周期内的检测准确率确定第二权重；

33、第二融合子单元，用于将所述第一权重、第一输出概率，以及第二权重、第二输出概率进行加权平均计算，得到所述融合概率。

34、可选的，在本技术的一些实施例中，在所述融合单元还可以包括类型应对子单元、检测子单元、第三融合子单元，如下：

35、类型应对子单元，用于获取所述深度网络模型针对不同交易类型的检测准确率，以及所述支持向量机模型针对不同交易类型的检测准确率；

36、检测子单元，用于确定所述实时交易数据的实时交易类型，并比较所述深度网络模型针对所述实时交易类型的检测准确率，以及所述支持向量机模型针对所述实时交易类型的检测准确率；

37、第三融合子单元，用于若所述深度网络模型针对所述实时交易类型的检测准确率，大于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第一输出概率作为所述融合概率；若所述深度网络模型针对所述实时交易类型的检测准确率，小于所述支持向量机模型针对所述实时交易类型的检测准确率，则将所述第二输出概率作为所述融合概率。

38、本技术实施例提供的一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令，以执行本技术实施例提供的异常交易检测方法中的步骤。

39、本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本技术实施例提供的异常交易检测方法中的步骤。

40、此外，本技术实施例还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现本技术实施例提供的异常交易检测方法中的步骤。

41、本技术实施例提供了一种异常交易检测方法以及相关设备，可以获取实时交易数据，并提取所述实时交易数据的交易特征信息；将所述交易特征信息输入预训练的深度神经网络模型，对所述交易特征信息进行线性变换和非线性激活计算，得到第一输出概率；将所述交易特征信息输入预训练的支持向量机模型，对所述交易特征信息进行线性变换和非线性映射计算，得到第二输出概率；根据所述深度神经网络模型的检测准确率和所述支持向量机模型的检测准确率，将所述第一输出概率和所述第二输出概率进行融合，得到融合概率；根据所述融合概率，确定交易行为的实时交易状态。本技术将深度神经网络和支持向量机结合在一起，利用深度神经网络模型的能力来学习复杂的模式和特征，同时利用支持向量机模型的能力进行高效的分类决策，将深度神经网络模型和支持向量机模型的输出进行融合，得到最终的交易行为检测结果，从而可以更加准确、高效地识别出异常交易行为，从而及时发现和防止异常交易行为，保护用户的资产和信息安全。

技术实现思路